Mit Machine Learning Code Generation kann aus natürlicher Sprache automatisch der notwendige Quellcode für die Softwareentwicklung generiert werden. Als Input wird in natürlicher Sprache beschreibend formuliert, welche Funktion die Software ausführen soll. Anschließend wird der Input via Machine Learning Algorithmen analysiert und daraus ausführbarer Quellcode generiert. Auch der umgekehrte Fall ist möglich: Auf Basis von vorhandenem Quellcode wird eine Dokumentation generiert, welche die Funktionen in natürlicher Sprache beschreibt. Mithilfe von Machine Learning Code Generation können Softwareanwendungen und Dokumentationen daher auch ohne ausgiebige Programmierkenntnisse generiert werden.

OpenAI Codex ist ein Abkömmling von GPT-3; seine Trainingsdaten enthalten sowohl natürliche Sprache als auch Milliarden von Quellcodezeilen aus öffentlich zugänglichen Quellen, einschließlich Code in öffentlichen GitHub-Repositories. Die wichtigste Fähigkeit von GPT-3 ist die Generierung natürlicher Sprache als Antwort auf eine natürlichsprachliche Eingabe. OpenAI Codex verfügt über einen Großteil des natürlichen Sprachverständnisses von GPT-3, produziert aber funktionierenden Code, d. h. Sie können Befehle in englischer Sprache an jede Software mit einer API geben. OpenAI Codex ermöglicht es Computern, die Absichten der Menschen besser zu verstehen, was es jedem ermöglichen kann, mehr mit Computern zu machen.

CodeT5 ist ein Open-Source-Programmiersprachenmodell, das von Forschern bei SalesForce entwickelt wurde. Es basiert auf dem T5-Framework von Google (Text-to-Text Transfer Transformer). Um CodeT5 zu trainieren, hat das Team über 8,35 Millionen Beispiele von Programmcode, einschließlich Nutzerkommentaren, aus öffentlich zugänglichen GitHub-Repositories beschafft. Ein Großteil dieser Datensätze stammt aus dem CodeSearchNet-Datensatz, der Ruby, JavaScript, Go, Python, PHP, C und C# umfasst, sowie aus zwei C- und C#-Datensätzen von BigQuery.

Es ist nicht mehr notwendig, die Programmierumgebung zu verlassen, um zu suchen, wie eine bestimmte Funktion zu erstellen ist. Blackbox macht es leicht, den richtigen Codeschnipsel zu finden, ohne dass die Umgebung verlassen werden muss, mehrere Registerkarten geöffnet und Webseiten mit Dokumentation und Ressourcen zu durchsuchen. Geben Sie einfach eine Frage ein, und Blackbox AI generiert automatisch den richtigen Codeschnipsel, in jeder Programmiersprache!

Sind Daten wirklich der Rohstoff der Zukunft? Wenn ja, dann gilt es jetzt für Unternehmen, diesen Schatz auch zu heben. Process Mining ist bei dieser „Rohstoffgewinnung“ ein neues, mächtiges Werkzeug. Es handelt sich dabei um einen innovativen digitalen Ansatz, der Data Mining und Prozessoptimierung verbindet. Gestützt auf reale Daten fördert er wertvolle detaillierte Einsichten über die Entscheidungsprozesse eines Unternehmens zu Tage und zeigt Wege zu ihrer Verbesserung auf. Faktisch ist nahezu jeder Vorgang in Datensätzen dokumentiert. Alles, was einen Zeitstempel hat, kann nun potenziell von Process-Mining-Anwendungen durchforstet werden. Das ermöglicht umfassende Transparenz, Realtime-Kontrolle und Adherence-Checks gegenüber definierten Soll-Prozessen. Es wird nachvollziehbar, welche Entscheidungsvorgänge im Unternehmen wirklich ablaufen – und wo die Ursachen auftretender Probleme konkret liegen. Im realen Event-Kontext können sie dann präzise und nachhaltig gelöst werden.

Das Münchener Start-up Smartlane hat eine Software entwickelt, mit der Transportprozesse optimiert werden können. Die Software ermittelt durch „Transport Mining“, wie Unternehmen Lkw´s und Personal einsetzen können, um Aufträge optimal zu erfüllen. Dabei wird die Auftragsliste eines Logistikdienstleisters samt Adressen, Lieferzeitfenster, Präferenzen des Endkunden, Kapazitäten der Fahrer und Flottegröße von „Smartlane“ analysiert, wonach ein Algorithmus den optimalen Transportprozess errechnet. Laut Angaben des Start-ups können Firmen mit Hilfe der Software bis zu 30 Prozent Kosten einsparen.

Das Dortmunder Start-up Motion-Mining® ermöglicht eine automatische und anonyme Analyse manueller Arbeitsprozesse hinsichtlich ihrer Ergonomie und Effizienz, in einem weiten Feld von Anwendungsbereichen wie Logistik, Produktion bis hin zu Krankenhäusern und Pflegeeinrichtungen. Diese reichen von ortsspezifischen Analysen, über Aktivitätskennzahlen bis hin zur Beurteilung der Ergonomie eines Arbeitsprozesses. Auch die Fahrzeug- und Hilfsmittelnutzung kann dabei umfassend ausgewertet werden.

Das polnische Unternehmen Shape.Care hat Fitnesshandschuhe entwickelt, die mithilfe elektronischer Sensoren das Workout optimieren und Verletzungen vorbeugen sollen. Die „Gym Gloves“ werden per 3D-Strickverfahren produziert. Sie sind mit Sensoren am Handrücken und an den Fingern ausgestattet. Diese messen kontinuierlich die Herzfrequenz, die gestemmten Gewichte und die Position der Finger. Dadurch sollen ungleich verteilten Kraftakten vorgebeugt und ein gleichmäßiges Training des gesamten Körpers ermöglicht werden. Die Daten werden per App ausgewertet. Diese bietet zugleich Verbesserungsvorschläge für eine optimale Ausführung der Übungen.

Auch wenn die Mensch-Maschine-Interaktion immer natürlicher wird, stellen sich viele Schnittstellen letztlich doch als nicht alltagstauglich heraus. Intelligente Assistenten helfen, die Kommunikation mit der Technik in eine Form zu bringen, die Menschen gewohnt sind: in die eines Gesprächs. Anwendungen erhalten dabei eine Stimme oder sogar ein Gesicht, um eine Gesprächssituation zu simulieren. Das Ziel von intelligenten Assistenten ist die situativ angemessene Unterstützung des Menschen durch den Einsatz von intelligenten, sich anpassenden Technologien. Dadurch soll die Zielerreichung und Bearbeitung von Aufgaben im beruflichen und privaten Umfeld vereinfacht werden.

Mercedes hat die App „Mercedes me Eco Coach“ gelauncht, die Fahrer von vollelektrischen und Plug-in-Hybrid-Modellen unterstützen und für umweltfreundliches Fahrverhalten belohnen soll. Der digitale Assistent liefert Tipps, mit denen Nutzer ihr Auto nicht nur besser kennenlernen, sondern umweltverträgliches Fahren adaptieren können. Zudem soll die Lebensdauer der Akkus verlängert werden. Dazu erhalten Fahrer bestimmte Aufgaben, wie etwa das Erreichen eines hohen elektrischen Fahranteils. Werden die „Challenges“ gemeistert, erhält der Fahrer Punkte. Die kann er im Mercedes Benz Shop einlösen oder für CO2-Kompansationen ausgeben.

Amazon hat seinen Sprachassistenten Alexa um die Fähigkeit erweitert, eventuelle Absichten des Nutzers zu antizipieren, um die Kommunikation mit Alexa natürlicher zu gestalten. Dank eines neuen Machine-Learning-Systems soll Alexa aus offenkundigen Fragen ableiten, was Nutzer eigentlich möchten. Fragen sie etwa wie lange der Tee ziehen soll, kann Alexa die empfohlene Dauer ansagen und vorschlagen, den Timer zu aktivieren. Ob Nutzern solche Vorschläge gemacht werden, entscheidet ein auf Deep Learning basierendes Trigger-Modell, das den Dialograhmen und das Nutzerverhalten berücksichtigt.

Der Einzelhandelskonzern Walmart hat seinen eigenen Sprachassistenten „Ask Sam“ gelauncht. Eingesetzt wird das Tool zunächst ausschließlich für interne Zwecke, um die Effizienz der Mitarbeiter*innen zu erhöhen. So können Walmart-Mitarbeiter*innen mit diesem Tool unter anderem Preise nachschlagen, Produkte finden, Verkaufsinformationen anzeigen oder aber E-Mails abrufen. Eine enthaltene Notfallbenachrichtigungsfunktion befähigt Manager darüber hinaus dazu, alle Mitarbeiter*innen schnell und effizient über Notfallsituationen zu informieren oder sich ferner aktuelle COVID-19-Richtlinien anzeigen zu lassen.

Die intelligente Nutzung von Daten wird zu einer der wichtigsten Herausforderungen des 21. Jahrhunderts. Unternehmen beginnen mit Hilfe von Smart-Data-Verfahren, Kundendaten nach verborgenen Mustern zu durchsuchen. Entscheider in der Wirtschaft schätzen datenbasierte Erkenntnisse zunehmend, denn harte Zahlen wiegen schwerer als vage Aussagen. Die Datenanalysen von internen und externen Daten lassen die Transparenz innerhalb der Supply Chain immer weiter steigen. In Kombination mit einer schnellen Analyse, möglichst in Echtzeit, können vor allem Logistikdienstleister ihre Prozesse äußerst dynamisch gestalten und managen. Die intelligente Nutzung von Daten bietet daher ein massives Potenzial, um die betriebliche Effizienz zu steigern, Kundenerfahrung zu verbessern, Risiken zu reduzieren und neue Geschäftsmodelle zu schaffen.

Das US-amerikanische Start-up Yantriks, das im Jahr 2014 gegründet wurde, bietet Einzelhändlern Cloud-basierte Softwarelösungen für Bestandsmanagement und Fulfillment an. Die Personalisied Fulfillment Platform (PFP) analysiert mit Hilfe von Big Data und KI Angebots-, Nachfrage- und Kundendaten in Echtzeit und ermittelt optimale Fulfillment-Lösungen. Yantriks hilft Einzelhändlern bei der Implementierung und Verbesserung von Click-and-Collect-Angeboten, Last-Mile-Deliveries und vielen weiteren Dienstleistungen, die alle zur Steigerung der Umsatzkonversion beitragen.

Das US-amerakanische Start-up CARTO entwickelt eine Mobilitätsplanungslösung zur Optimierung des Supply-Chain-Netzwerks. Ihr System verwendet eine riesige Menge an Standortdaten und künstliche Intteligenz, um die Supply Chain zu analysieren und zu optimieren, was Zeit und Ressourcenspart. CARTO ist die weltweit führende Location Intelligence Plattform, die es Unternehmen ermöglicht, räumliche Daten und Analysen für effizientere Lieferrouten, besseres verhaltensorientiertes Marketing, strategische Ladenplatzierungen und vieles mehr zu nutzen.

Das tschechische Start-up ECOTEN erstellt Temperatur-Karten für Großstädte, um die Auswirkungen des Klimawandels zu visualisieren. In einer ersten Kooperation mit der Stadt Wien wurde eine Temperatur-Karte für die Stadt entworfen, die besonders gefährdete Bezirke kennzeichnet. Diese sind durch die höchsten Temperaturen, wenige Grünflächen und einen großen Anteil von Senioren und Kindern gekennzeichnet. Für die Karten verwendet das Start-up Satellitendaten und ein geografisches Infomationssystem, das Flächendaten analysiert. Den betroffenen Städten werden zudem Lösungsansätze geboten, die in der Stadtplanung berücksichtigt werden sollen.

Machine Learning ist eine Subdisziplin der Forschung im Bereich der künstlichen Intelligenz. Der Begriff umfasst sämtliche Techniken, die Algorithmen selbstständiges Lernen durch exemplarischen Dateninput ermöglichen. Diese Systeme wandeln die Erfahrungen aus Beispielen in Wissen um und erkennen Muster darin. Ziel im Machine Learning ist die stetige Verbesserung der Modelle, etwa bei Empfehlungssystemen in Onlineshops. Bekannte Methoden des Machine Learning sind künstliche neuronale Netze inkl. der Ausprägung Deep Learning. Sie wurden von den Prozessen des menschlichen Gehirns inspiriert. Beim Deep Learning werden mit Hilfe zusätzlicher Ebenen noch bessere Ergebnisse erzielt. Machine Learning ist Ausgangspunkt für eine Fülle von Einsatzgebieten – von Sicherheitssystemen über Robotics bis hin zu Echtzeitübersetzern im Ohr des Nutzers. Ein zentraler Fortschrittsbereich ist Computer Vision, eingesetzt bei der Gesichtserkennung und der maschinellen Bildverarbeitung, die autonomes Fahren möglich macht.

Apeel, der kalifornische Entwickler einer Schutzschicht zur Haltbarmachung von Obst und Gemüse, will künftig Lebensmittelverschwendung mithilfe hyperspektraler Bildgebung und Machine Learning verhindern. Dazu hat Apeel das Start-up ImpactVision erworben, das die Technologie dazu liefert. Durch dessen Verwendung sollen Anbieter sowie Händler von Obst und Gemüse buchstäblich in die Produkte hineinsehen können. Das System liefert quantifizierbare Daten zum Reifegrad, Frische und Nährstoffdichte. So sollen nachhaltige Lieferketten von Obst und Gemüse ermöglicht und Lebensmittelverschwendung verhindert werden.

Das 2014 in San Francisco gegründete Start-Up Zippin bietet Lösungen für den Einzelhandel an, die ein Einkaufen ohne Kasse ermöglichen. Mithilfe einer Kombination aus Bildverarbeitung und maschinellem Lernen wird des Verhalten von Kunden*innen vorhergesagt und der Aufenthaltsort von Produkten nachvollzogen. Die Plattform nutzt Daten von an der Decke installierten Kameras sowie an den Regalen befestigten Sensoren. Alle Komponenten sind frei im Handel verfügbar, sodass Kosten niedrig bleiben. Die Treffsicherheit des Systems wird auch bei einer großen Menge an Kunden*innen im Laden nicht reduziert.

Amazon Web Services hat die allgemeine Verfügbarkeit von „Amazon Lookout for Vision“ bekannt gegeben. Konkret handelt es sich dabei um einen neuen Dienst, der Bilder via Computer Vision und maschinellem Lernen zur Erkennung von Produkt- oder Prozessfehlern und -anomalien in hergestellten Produkten analysiert. Benötigt werden dabei von Anwendern lediglich 30 Basisbilder, mit denen sich das KI-Modell trainieren lässt. Genutzt wird das System bereits von Unternehmen, um beispielsweise die Inspektion von Produktionslinien zu automatisieren und festzustellen, ob Produkte den Qualitätsvorgaben entsprechen.

In der Praxis versteht man unter Business Intelligence (BI) die Standardisierung und Optimierung des Berichtswesens. Die in den IT-Systemen anfallenden Daten werden genutzt, um unter verschiedenen Blickwinkeln die aktuelle Situation zu analysieren und gegebenenfalls zu bewerten. Die entsprechende Analyse erfolgt dabei nicht in den ERP-Systemen, sondern in einer davon getrennten Datenbasis, dem Data-Warehouse (DWH). Daraus ableitend werden dann Entscheidungen getroffen, die das Unternehmen im Ganzen, einzelne Bereiche oder Prozesse betreffen. Die daraus entstehende Transparenz hinsichtlich aller Geschäftsprozesse bedeutet, dass aktuelle, verlässliche und jederzeit nachvollziehbare Daten und Steuerungsgrößen zeitnah zur Verfügung stehen. Das wichtigste Ziel dabei ist, BI mit straffen Prozessen, standardisierten Reports und vollständiger Datenintegration bereitzustellen, da nur mit den richtigen Informationen die richtigen Entscheidungen getroffen werden können.

Das in Spanien ansässige Startup Cubelizer wurde 2016 gegründet und hat ein auf künstlicher Intelligenz basierendes Bildverarbeitungssystem für den Einzelhandel entwickelt. Das System sammelt dabei anonym Daten von Kunden*innen und zeigt u. a. in Echtzeit an, wieviel Kunden*innen sich im Laden befinden und welche Pfade und Interaktionen von diesen im Geschäft vorgenommen werden. Die Plattform übersetzt diese Daten ferner in wertvolle Informationen, die für Leistungsverbesserungen von Geschäften wie z. B. einer optimierteren Produktplatzierung genutzt werden kann.

Das italienische Unternehmen OCTO bietet intelligente Telematik- und Datenanalysedienste für unter anderem die Kfz-Versicherungsbranche und den innovativen Mobilitätsmarkt an. Durch die Nutzung von maschinellem Lernen und KI zur Analyse von IoT-Daten kreiert das Unternehmen fortschrittliche Produkte und Dienstleistungen, die die Art und Weise, wie Unternehmen ihre Geschäfte verwalten und ausbauen, verändern. Konkrete Bereiche umfassen dabei Analysen zu Fahrzeugdiagnosen, zum Flottenmanagement oder zur Maut und Echtzeitüberwachung von Verkehrssituationen sowie der Umwelt.

Das Start-Up Meili Robots hat ein universelles Flottenmanagementsystem (FMS) gelauncht, mit dem verschiedene Robotik- und Betriebssysteme gleichzeitig über eine Plattform gemanagt werden können. Viele Unternehmen verfügen über Systeme von verschiedenen Herstellern, die nur getrennt voneinander gesteuert werden können. Das B2B-SaaS-Geschäftsmodell des FMS ermöglicht eine Interoperabilität zwischen allen Arten und Marken von Robotern und Gabelstaplern ohne Installation zusätzlicher Infrastruktur. So können über die bereitgestellte intuitive Benutzeroberfläche etwa Aufgaben zugewiesen und der Verkehr gesteuert werden.

Der Begriff Predictive Analytics bezeichnet Software, die in der Lage ist, auf der Grundlage von historischen und aktuellen Daten Situationen und Szenarien vorherzusagen und dementsprechende Handlungsempfehlungen zu geben. Das Ziel von Predictive Analytics ist es, mittels quantitativ und qualitativ ausreichenden direkten und indirekten Systemdaten und geeigneten Datenanalyseverfahren, Aussagen über den wahrscheinlichen zukünftigen (Teil-) Zustand eines Systems zu errechnen. Dies erfolgt meist in einem Datenmodell, welches dann zukünftige Zustände des Systems simulieren kann. Das System kann dabei eine Fabrik oder ein Maschinenpark sein, oder es kann – im Fall der Logistik – auch ein Lager oder sogar eine ganze Lieferkette sein.

Das 2015 in Seattle gegründete Start-Up Shelf Engine sagt die Nachfrage nach frischen Produkten in Restaurants und Lebensmittelläden vorher und will damit Abfälle reduzieren. Dafür verwendet es POS-Daten sowie Variablen wie Schulzeiten, lokale Veranstaltungen, Ferien und Wettervorhersagen. Bestellungen der Produkte können mithilfe von künstlicher Intelligenz komplett automatisiert ausgeführt werden. Während die durch weggeworfene Lebensmittel entstehenden Kosten sinken, können Einzelhändler die Menge an frühzeitig ausverkauften Produkten reduzieren und so ihren Profit maximieren.

Der Systemgastronomie-Konzern Brands International optimiert das Drive-Thru-Erlebnis bei den Fastfood-Ketten Burger King, Tim Hortons und Popeyes mit digitalen Menüanzeigen, die Kundendaten für personalisierte Bestellungen verwenden. Sie sollen in rund 10.000 Filialen installiert werden und es über kontaktlose Bestellungen und Bezahlungen hinaus erlauben, per Bluetooth oder NFC Treuepunkte zu sammeln. Durch Verwendung der Kundendaten sollen die „Predictive Selling“-Terminals Kundenpräferenzen antizipieren, personalisierte Angebote je nach Wetter und Tageszeit liefern und beliebte Speisen vor Ort promoten.

Das Start-up Augury hat die gleichnamige Machine-Health-Plattform entwickelt, die eine prädiktive Wartung ermöglicht, indem Vibrationen, Geräusche und Temperaturen kontinuierlich überwacht und analysiert werden. Wartungs- und Fertigungsprozesse können auf der Grundlage des tatsächlichen Maschinenzustand, der Historie und der Beziehung zu Prozessen und Materialien angepasst und ungeplante Ausfallzeiten als auch Ersatzteilbestände dadurch reduziert werden. Zudem gibt es ein Partner-Ökosystem, bei dem Teile bestellt werden können, die zur Reparatur der Maschinen benötigt werden.